分享一个在长视频推理上超过Gemini 2.5 Pro的新模型

这两天我一直在用GPT6做3D建模，

然后我翻到一段塞斯纳337起落架收放的3D演示。做得挺细，传动怎么走，齿轮怎么啮合，锁扣怎么咬合，都有讲究。现在这种AI做的机械演示越来越多，画面一个比一个唬人，但是这些传动都是真的吗？我是有点拿不准。所以我当时的想法很简单，找个能做视频识别的模型来验一验。

还真让我在X上找到个新模型，

VLX-VR，OmAI联汇新出的视频深度推理模型。

在最难的视频推理基准MINERVA上，准确率居然快达到80%，78.8%，直接公开第一。把这段我好奇的视频丢进去，然后问了一句，「检查这段视频，在机械运转和物理规律上有没有毛病。」

我本来还以为，会有十几个地方出问题的。

结果VLX-VR给我回了一份视频分析报告。传动是怎么走的，齿轮齿条往哪个方向啮合，液压作动筒缩回去起落架就收起，伸出去就放下锁定，一根贯穿轴怎么带动两侧摇臂做对称收放，连over-center过死点自锁都讲到了。最后它给出结论，这段演示准确还原了真实飞机的工程结构，没发现机械或物理层面的错误。

如果我用的是一个只会看图说话的模型，这时候大概率会顺着我的话头硬凑两个错误出来才叫正常，反正我也未必看得出来。结果没有。。它是作用在整个视频时间轴的，不是随机截图就得到结论，对着整台起落架，把机理从头到尾讲一遍，再给一个没问题的判断。

那我继续顺着时间线追问了一个假设。

「如果第2分钟那个过死点自锁没有到位，或者作动筒少缩回5厘米，后续高速平飞时会发生什么？」它停了几秒，在思考草稿纸里顺着时间线做了推演。

也就是说，这个模型不但能看懂视频，还能根据模型的时间顺序往后推，能做这种因果推演，说明它也是真把整套机械运转的前后因果全想明白了，看得懂动作之间的连锁反应。

再再然后，就算是一些人像视频，一些搞怪的分析，它也有办法理解和做成。

到这里我就有点好奇是哪家横空做出来这样一个模型了。

VLX-VR是OmAI联汇VLX模型家族中的一款视频深度推理模型。过去大模型在纯文本和看图问答上突飞猛进，但只要丢一段长视频进去，大部分模型的能力就会出现断崖式下跌。

因为视频和图片完全是两个维度的东西。平时大家用的视频总结工具，大多只是提取视频里的人声做语音转文字，本质还是在读文稿。一旦遇到全片没人说话、全靠画面运转的工程视频，或者画面里的动作跟说话内容毫无关系，这些工具就立刻抓瞎了。而且视频一旦拉长到十几分钟以上，主流大模型普遍会撞上所谓的时间墙。看前头忘了后头，越到后面越开始胡说八道。

所以MINERVA基准，包含一千多道长视频推理大题，而且专门防模型蒙答案，要求把整套推导轨迹也交出来供人工核对。VLX-VR是真的名副其实的第一。。。

作为对比，OpenAI的推理模型o1在这套题库里只拿到了43.48分，GPT-4o拿到了45.54分。Gemini 2.5 Pro在面对15分钟以上的长视频时，得分也只有57.97%。

更重要的是两组反常的数据。

一个是推理逻辑一致性是在答对的题目上，达到了96.2%。人工拿着标准步骤去对它的推导过程，几乎每一步都有据可查，思考草稿纸跟人类专家的思路高度吻合。

然后是它的跨时长表现。在5分钟以下，5到15分钟，15分钟以上三个区间，准确率不降反升，76.70%，78.73%和80.92%，真就是跟着推理把内容推出来了。

当然，如果对照人类92.54分的满级基准，它现在还是有些肉眼可见的差距的。在实测里我也发现，如果视频里涉及密集微小零件的数量清点，或者画面里快速发生极其微弱的局部形变，它偶尔还是会犯迷糊。

在微观状态和空间几何感知上，它还有很长一段路要走，但这也真很近了。。

搞清楚它的技术参数之后，我决定再拿一个更接地气的场景去考考它。

开始来点工程强度，找了一段AI辅助工业建模的屏幕录制。把四五分钟的原视频加速了整整9倍，压成了一段只有30秒的极速内容。画面里窗口乱飞，从记事本切到ChatGPT，又切到专业的NX工业建模软件。

这种视频人眼盯着看两遍都觉得眼花，连代码都看不清。

这段直接给VLX，让它按时间顺序还原操作流程，并分析是手动建模还是脚本生成。

三分钟左右就都看完了，并把时间线细分成了十几个节点。

最让我惊讶的是它对代码报错的捕捉能力。

第11秒左右，它精准捕捉到了屏幕上闪过的一行代码错误，指出脚本在调用CreateBlock1时触发了AttributeError。然后15秒，18秒，都有解决的过程。

它不仅确认了全过程是通过Python Journal脚本自动化拉伸生成，甚至把最终生成的零件细节都数了出来，包括22个独立实体构成的外轮廓近似模型，底座尺寸精确到了624毫米乘355毫米乘1949毫米，并在收尾阶段将分段倒圆升级为了R121标准圆弧。

能在这种9倍速快进，窗口频繁切换的画面里，精准咬住每一次报错和代码修改的因果，这种视觉抓取能力已经超出了普通视频看图的范畴。

既然懂了机械，又懂了工业软件，那让它去看真实的物理实验呢？

我又找了一段真实的机械臂物理学习实验视频。画面被切成了四宫格，四个窗口同时在跑四种不同的机械臂操作。

我让它分别告诉我这四个窗口在干什么，有什么本质区别和细节差异。

它不仅把左上角烤面包机取放餐盘，右下角下角开阀门倒橙汁区分得明明白白，还指出了右上角与左下角的关键对照。

更细致的是，它还看出了人工示教和机械臂实操的动态区别。人工示教是双手自然配合，动作连贯无间隙。机械臂在双臂协作交接时，动作之间大概1秒的等待停顿都给指出来了。。。

最后的最后，就是看课程的能力了。

感觉每次刷到很多AI教程，我都满心期待地想看，但时间要不允许，要不然说白就是懒了。

但现在既然AI也能自动分析，那我这不就直接丢给他来总结了吗？

这还是一个10分钟的长影片。之前AI已经开始能稳定生成的那一两分钟的视频了，但还是读不懂。那现在长影片，他们已经看得懂了，那离生成还会远吗？

也是没两三分钟，结果就完成出来了。大纲拿到了，核心也帮我总结完了。平时看影片，到处去抓总结工具，有的限制长度有的限制文件大小，现在一个网站全做了，方便起飞。

总结完影片后，VLX还给我们一些延伸的想法。

真的，把我能想到的功能都已经放进去了已经，对于影片的疑问，也都帮我解决了。

认出画面里有什么，和看懂一段视频里正在发生什么，本来就是两码事。

认出，是看到画面里有一架飞机，看到屏幕上有个报错弹窗，看到一个机械臂在动。

看懂，是讲得清作动筒少缩回5厘米会导致空中意外展开，讲得清第11秒的报错怎么在第18秒被修复，讲得清机械臂分盘与合盘的策略区别。

轮到落地这块，他们推出的视频创作Agent，OttoBox小欧视频创作助理是基于这个VLX-VR模型能力做了升级。

简单来说，给它一句人话，它就能在几百个G的海量素材里把你要的那一幕准确定位出来，能看懂画面里的人在做什么动作，还能读懂角色的情绪起伏，自动拼成一版粗剪。

过去人工粗剪要磨8到10个小时的活，它30分钟就能出稿，而且全在本地端侧跑，素材不用传上云端。我们就也玩了下，给他一个我们刚发完的影片，让他分析复盘，甚至再帮我们看有没有什么能做些进阶延伸。

从分镜头分析，再到完成剪辑，来来回回就说了两句话，就都跑通了。

真的有装上眼睛的AI就是不一样，更何况这还是能够看影片的 AI。

老实说，最开始把视频丢进去的时候，我纯粹是抱着找茬的心态去的。

现在AI剪辑现在有太多花哨的演示，看起来很能剪口播，实际上就只能剪口播了。

做AI这几年，我们见惯了模型在屏幕里写文章，敲代码，生成酷炫的短片。

但很多时候，那些所谓的逼真画面，只是模型在概率里猜像素。

吃汉堡的时候汉堡没有变少，走路的时候多出一条腿，

在纯数字的屏幕里，这些荒诞或许只是有点无所谓的穿帮。

可真实的物理世界不行，

在屏幕之外，容错率其实低得可怕。

这也是为什么看到它把整条链条推演出来的时候，我心里会有一种踏实感。

也正是这种不投机取巧的较真，

在把物理AI一点点拉得离我更近，

离我们更近。

@ 作者 / 卡尔 & yc星辰

最后，感谢你看到这里如果喜欢这篇文章，不妨顺手给我们点赞｜在看｜转发｜评论

如果想要第一时间收到推送，不妨给我个星标

如果你有更有趣的玩法，欢迎在评论区聊聊

更多的内容正在不断填坑中……